CN116488223A - 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 - Google Patents
家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 Download PDFInfo
- Publication number
- CN116488223A CN116488223A CN202310753452.6A CN202310753452A CN116488223A CN 116488223 A CN116488223 A CN 116488223A CN 202310753452 A CN202310753452 A CN 202310753452A CN 116488223 A CN116488223 A CN 116488223A
- Authority
- CN
- China
- Prior art keywords
- power
- load
- flexible
- optimization
- time length
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000005457 optimization Methods 0.000 claims abstract description 195
- 238000003860 storage Methods 0.000 claims abstract description 107
- 238000010248 power generation Methods 0.000 claims description 68
- 230000005855 radiation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 37
- 239000010410 layer Substances 0.000 description 100
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 46
- 238000009826 distribution Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 26
- 230000033228 biological regulation Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 20
- 238000007726 management method Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000001276 controlling effect Effects 0.000 description 15
- 238000005096 rolling process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 230000005611 electricity Effects 0.000 description 13
- 239000002355 dual-layer Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000006467 substitution reaction Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000007599 discharging Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种家庭光‑蓄‑柔双层多时间尺度控制方法、装置及介质，应用于家庭能源智能管理领域。该方法先预测第一目标时间长度内的第一预测结果，并根据第一预测结果控制蓄电池在第一目标时间长度内的充放电功率。然后根据第二预测结果调整柔性用电负荷的用电功率以适应蓄电池的控制。将第一预测结果以及对蓄电池的控制称为第一层优化；第二预测结果以及调整柔性用电负荷称为第二层优化。第二目标时间长度小于第一目标时间长度，且对柔性用电负荷的调整的时间间隔小于对蓄电池的控制的时间间隔。本方案降低了对预测精度的高依赖性，能够实现光‑蓄‑柔的动态协同控制，并且显著缩短计算时间，具有很高的可实施性。
Description
技术领域
本申请涉及家庭能源智能管理领域，特别是涉及一种家庭光-蓄-柔双层多时间尺度控制方法、装置及介质。
背景技术
随着分布式光伏-储能在建筑上的广泛应用以及建筑电器智能化程度的不断提高，开发高效合理的建筑光伏-储能-柔性用电负荷的协同管理策略，对于未来建筑能源系统智能化管理至关重要。针对家庭光伏-储能-柔性用电负荷系统的管理问题，传统的家庭能源管理思路是根据日前预测的光伏与负荷的分布，对储能以及各家电设备的控制变量（充放电功率、设定温度、运行频率、开机时间等）进行优化计算，然后将控制命令发送给控制器，从而实现蓄电池（储能电池）以及各用电负荷的优化运行。
然而，传统的方法所要求的长时间域（24h）内小时间分辨率（分钟级）的光伏与负荷预测是极其困难的，无法克服预测不确定性的影响；并且，依靠蓄电池与电网对分钟级波动的光伏发电进行实时动态适配会增加蓄电池损耗或影响电网稳定性；此外，在全时域内进行多设备同时优化计算的复杂度很高，计算时间很长。因此，传统方法的可实施性不强。
因此，如何降低对光伏与负荷预测精度的高度依赖性，减小预测误差的影响，同时实现对柔性设备分钟级时间尺度上的动态优化调控，是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种家庭光-蓄-柔双层多时间尺度控制方法、装置及介质，以降低对预测精度的依赖性，同时实现柔性设备的分钟级时间尺度的动态优化控制，进而提高方案的可实施性。
为解决上述技术问题，本申请提供一种家庭光-蓄-柔双层多时间尺度控制方法，包括：
预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果；
根据所述第一预测结果控制蓄电池在所述第一目标时间长度内的充放电功率；
预测第二目标时间长度内所述发电设备的发电量和所述用电负荷的负荷值得到第二预测结果；
根据所述第二预测结果调整柔性用电负荷的用电功率以适应所述蓄电池的充放电功率的控制方案；其中，所述第二目标时间长度小于所述第一目标时间长度，对所述柔性用电负荷的调整的时间间隔小于对所述蓄电池的控制的时间间隔。
优选地，所述根据所述第一预测结果控制蓄电池在所述第一目标时间长度内的充放电功率包括：
根据所述第一预测结果以及所述蓄电池的优化目标控制所述蓄电池在所述第一目标时间长度内的充放电功率；其中，所述优化目标至少包括以下之一：运行费用、电网功率波动、光伏消纳率。
优选地，所述预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值包括：
基于气象参数进行相似日替代法以预测所述第一目标时间长度内所述发电设备的发电量和非柔性用电负荷的负荷值；并采用理论模型计算柔性用电负荷的负荷值；其中，相似日的选取通过皮尔逊相关系数确定。
优选地，所述气象参数至少包括以下之一：天气类型、日平均太阳辐射强度、日平均散射辐射强度、日最低气温、日最高气温、日平均风速、日平均相对湿度以及日照时长。
优选地，预测所述第二目标时间长度内的所述第二预测结果以及根据所述第二预测结果调整所述柔性用电负荷的用电功率包括：
以当前时间为起点预测所述第二目标时间长度内的所述第二预测结果；
根据所述第二预测结果调整所述柔性用电负荷在第三目标时间长度内的用电功率；其中，所述第三目标时间长度小于所述第二目标时间长度；
在第三目标时间长度结束后，返回所述以当前时间为起点预测所述第二目标时间长度内的所述第二预测结果的步骤。
优选地，所述柔性用电负荷预先设置有对应的优先级；
所述调整柔性用电负荷的用电功率以适应所述蓄电池的充放电功率的控制方案包括：
根据所述柔性用电负荷的优先级的高低顺序对各所述柔性用电负荷的用电功率进行调整以适应所述蓄电池的充放电功率的控制方案。
优选地，所述发电设备具体为光伏发电设备，所述用电负荷具体为家庭用电负荷。
为解决上述技术问题，本申请还提供一种家庭光-蓄-柔双层多时间尺度控制装置，包括：
第一预测模块，用于预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果；
控制模块，用于根据所述第一预测结果控制蓄电池在所述第一目标时间长度内的充放电功率；
第二预测模块，用于预测第二目标时间长度内所述发电设备的发电量和所述用电负荷的负荷值得到第二预测结果；
调整模块，用于根据所述第二预测结果调整柔性用电负荷的用电功率以适应所述蓄电池的充放电功率的控制方案；其中，所述第二目标时间长度小于所述第一目标时间长度，对所述柔性用电负荷的调整的时间间隔小于对所述蓄电池的控制的时间间隔。
为解决上述技术问题，本申请还提供一种家庭光-蓄-柔双层多时间尺度控制装置，包括：存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现上述家庭光-蓄-柔双层多时间尺度控制方法的步骤。
为解决上述技术问题，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述家庭光-蓄-柔双层多时间尺度控制方法的步骤。
本申请所提供的一种家庭光-蓄-柔双层多时间尺度控制方法，先预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果，并根据第一预测结果控制蓄电池在第一目标时间长度内的充放电功率，即得到蓄电池的控制方案并对其充放电功率进行控制。然后预测第二目标时间长度内发电设备的发电量和用电负荷的负荷值得到第二预测结果，并根据第二预测结果调整柔性用电负荷的用电功率以适应蓄电池的充放电功率的控制方案，即第一预测结果出现偏差时，通过调整柔性用电负荷的用电功率来适应蓄电池的充放电。一般将预测出第一预测结果以及对蓄电池的控制称为第一层优化；预测出第二预测结果以及调整柔性用电负荷称为第二层优化。其中，第二目标时间长度小于第一目标时间长度，短时间域的预测更加容易，可以实现更高精度的预测。此外，对柔性用电负荷的调整的时间间隔小于对蓄电池的控制的时间间隔，即对柔性用电负荷的调整更加频繁，第二层的优化能够去适应第一层的优化。本方案降低了第一目标时间长度内这种长时间域内的预测精度要求，通过第二目标时间长度的短长时间域内的预测结果调整柔性设备，以适配发电设备和用电负荷的波动，由于本方案降低了对预测精度的高依赖性，能够实现光-蓄-柔的动态协同控制，并且显著缩短计算时间，具有很高的可实施性。
本申请还提供了一种家庭光-蓄-柔双层多时间尺度控制装置和计算机可读存储介质，与上述方法对应，故具有与上述方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种家庭光-蓄-柔双层多时间尺度控制方法的流程图；
图2为本申请实施例提供的一种家庭光-蓄-柔双层多时间尺度能源管理方法的基本框架图；
图3为某一家用屋顶光伏系统在某一光伏发电不稳定的一天的光伏功率在五分钟时间分辨率上的分布图；
图4为某一家用屋顶光伏系统在某一光伏发电不稳定的一天的光伏功率在一小时时间分辨率上的分布图；
图5为某一家用空调各小时的能耗预测值与真实值对比图；
图6为本申请实施例提供的一种第一层蓄电池充放电优化流程图；
图7为本申请实施例提供的一种第二层（日内）柔性用电负荷分级优化流程图；
图8为本申请实施例提供的一种基于模型预测控制的柔性用电负荷优化控制流程图；
图9为本申请实施例提供的一种家庭光-蓄-柔双层多时间尺度能源管理平台与装置的结构示意图；
图10为本申请实施例提供的一种智能AI装置的基本结构示意图；
图11为日前（第一层）蓄电池充放电优化结果示意图；
图12为日前（第一层）蓄电池充放电另一优化结果示意图；
图13a为各阶段优化的电网功率曲线的一种变化示意图；
图13b为各阶段优化的电网功率曲线的另一种变化示意图；
图14为各阶段优化后运行费用示意图；
图15为优化前后水箱水温的变化示意图；
图16为优化前后客厅温度的变化示意图；
图17为优化前后卧室1温度的变化示意图；
图18为优化前后卧室2温度的变化示意图；
图19为本申请实施例提供的家庭光-蓄-柔双层多时间尺度控制装置的结构图；
图20为本申请另一实施例提供的家庭光-蓄-柔双层多时间尺度控制装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。
本申请的核心是提供一种家庭光-蓄-柔双层多时间尺度控制方法、装置及介质，以降低预测的精度要求以降低计算量，进而提高方案的可实施性。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
针对家庭光伏-储能-柔性用电负荷的管理问题，传统的方法具有三个方面的不足：（1）传统方法对于光伏发电设备的发电量与用电负荷的负荷值的日前预测精度要求很高，并且考虑到光伏波动的变化是分钟级的，因此日前预测的结果也需要是分钟级的分布，而长时间域（24 h）内小时间分辨率（分钟级）的光伏与负荷预测是极其困难的，目前几乎没有可获得高精度预测结果的方法。（2）由于光伏与负荷在分钟级时间分辨率上的不稳定波动特性，传统的调度方法必然会依靠蓄电池或者电网进行动态的实时能量补充或消纳，这样就会给蓄电池造成损耗或者影响电网稳定性，并且增加运行费用（电池损耗费与购电费）。（3）传统方法是针对全天内所有调控设备进行运行优化，而这种在长时间域（24h）小时间分辨率（分钟级）上同时进行多设备优化的计算量很大，当设备数量较多时（例如大于4个），其计算时间甚至会超过24h，因此其可实施性不强。
为解决上述技术问题，本申请实施例提供一种家庭光-蓄-柔双层多时间尺度控制方法，图1为本申请实施例提供的一种家庭光-蓄-柔双层多时间尺度控制方法的流程图；如图1所示，该方法包括如下步骤：
S10：预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果。
S11：根据第一预测结果控制蓄电池在第一目标时间长度内的充放电功率。
S12：预测第二目标时间长度内发电设备的发电量和用电负荷的负荷值得到第二预测结果。
S13：根据第二预测结果调整柔性用电负荷的用电功率以适应蓄电池的充放电功率的控制方案。
其中，第二目标时间长度小于第一目标时间长度，对柔性用电负荷的调整的时间间隔（时间分辨率）小于对蓄电池的控制的时间间隔（时间分辨率）。发电设备可以是光伏发电设备，用电负荷分为柔性用电负荷和非柔性用电负荷。这里将预测出第一预测结果以及对蓄电池的控制称为第一层优化；预测出第二预测结果以及调整柔性用电负荷称为第二层优化。例如第一目标时间长度可设定为一天，第二目标时间长度可设定为一个小时，第一层优化可设定以小时为时间分辨率，以一天为优化时域（第一目标时间长度），以日前预测的光伏发电设备与用电负荷的小时分布结果为基础，进行蓄电池的充放电功率优化。第二层优化是在日内以五分钟为时间分辨率，以小时为优化时域（第二目标时间长度），采用模型预测控制对柔性用电负荷进行分级滚动优化，以追踪日前优化（即第一层优化）后的蓄电池功率分布。第一层优化一般会设置对应的优化目标，优化目标可以包括运行费用、电网功率波动、光伏消纳率等，然后根据对应的优化目标控制蓄电池在第一目标时间长度内的充放电功率；第二层优化目的是适应追踪第一层优化的结果。此外，第一预测结果以及第二预测结果的具体内容不作限定，可以是对应时间段内的发电平均值和负荷平均值。
这里提供一种具体的示例，本示例针对传统家庭能源管理方法的缺点，提出了一种结合日前蓄电池小时分辨率充放电与日内设备分钟级分辨率柔性调控的双层多时间尺度优化调度方法，但本申请的方案并不限于本实施例提供的具体示例。该示例的主要实施过程及特点简述如下：第一层优化是以小时为时间分辨率，以一天为优化时域（即第一目标时间长度设定为一天），以日前预测的光伏（发电设备）与用电负荷的小时分布结果为基础，进行蓄电池的充放电功率优化。第二层优化是在日内以五分钟为时间分辨率，以小时为优化时域，采用模型预测控制对柔性用电负荷进行分级滚动优化，以追踪日前优化（即第一层优化）后的电网功率分布。该方法能够很好地解决前述三个问题：（1）对于第一层的日前（24h）预测，采用小时为分辨率，相对于传统的日前分钟级分辨率的预测难度小的多，对于预测算法的要求也会简单很多。并且，由于有第二层柔性设备的分钟级调控，故第一层的预测精度要求也可以适当降低。此外，本申请还提出一种基于容易获得的气象预报参数的相似日替代的方法，很好地解决了日前小时尺度光伏预测的问题。对于第二层的日内五分钟分辨率超短期（1 h）预测，目前很多机器学习算法都可以获得很高的预测精度，并且模型预测控制具有滚动预测与反馈校正的功能，又能进一步削弱预测误差的影响。因此，所提方法能够有效克服传统方法预测难度大且精度低的缺点。（2）日内（第二层）优化调度的对象是柔性设备，也就是利用设备的负荷柔性去适配光伏与负荷在分钟级分辨率上的波动，相对于传统的利用蓄电池或电网实时补充或消纳的方式，该方法大大削弱了对蓄电池和电网的影响，也不会引起额外的蓄电池损耗费或电费。（3）分层、分级优化计算相对于传统的在全时间域上对所有设备进行优化计算的方法，能够大大缩短计算时间（以指数次的量级减少计算量），使得该方法的可实施性显著增强。
图2为本申请实施例提供的一种家庭光-蓄-柔双层多时间尺度能源管理方法的基本框架图；如图2所示，第一层（日前）优化的对象是蓄电池的充\放电功率，优化目标可以根据实际需要确定，比如运行费用最低、电网功率波动最小、光伏消纳率最高等；优化计算的时间范围（优化时域）是一整天（24 h），时间分辨率是1 h。光伏预测可采用相似日替代的方法，非柔性用电负荷预测也采用相似日替代法，柔性用电负荷预测则采用理论模型计算获得。第一层优化输出的量是小时分辨率上的蓄电池的充\放电功率序列和电网功率序列，蓄电池充\放电功率序列将发布给蓄电池充放电控制器，从而控制蓄电池在第二天的运行；电网功率序列则是第二层（日内）柔性设备优化的目标。第二层（日内）优化的对象是各类柔性用电负荷的功率（可调节负荷）或者开机时间（可转移负荷），本申请根据设备调控对用户舒适性影响程度的大小，将各柔性设备划分了优先级，按照热水器（电热水器或热泵热水器）—空调—可转移负荷（洗衣机、烘干机、洗碗机、吸尘器、电热水壶等）的顺序依次对柔性用电负荷进行调控，其优化调控的时间域是1h，时间分辨率是5 min，并且采用模型预测控制的方式进行滚动优化，优化目标是使得五分钟分辨率上实际的电网功率与日前优化后小时分辨率上的理想电网功率的差异最小，也就是追踪日前优化后小时分辨率上的电网功率，其输出的控制变量是柔性用电负荷的功率序列，不同设备所对应的调节变量就是电热水器的加热功率（档位）、热泵热水器的设定水温（定频）或运行频率（变频）、定频空调的室内设定温度、变频空调的运行频率、可转移负荷的开机时间。本示例对于第二层柔性设备调控的优先级划分依次是热水器（电热水器或热泵热水器）——空调——可转移负荷，这是因为热水器的水温只要维持在一定温度（比如50℃）以上就可以满足日常生活，因此对热水器在该温度以上进行调控完全不会影响用户用水的舒适性，因此，热水器作为柔性调控的第一选择（最高优先级）。对于空调而言，由于室内热舒适存在一个温度区间（比如22℃-28℃），在该温度区间内调节空调运行功率，也不会明显影响用户热舒适性，因此将其作为柔性调控的第二选择（中间优先级）。最后，将可转移负荷，如洗衣机、烘干机、洗碗机、吸尘器、电热水壶等作为第三选择（最低优先级），因为这些设备开机时间的调整会对用户行为舒适性产生一定的影响（即带来一些不便），并且其柔性调节的潜力相对较小。
下面详细介绍每一层优化控制的关键步骤：
首先，日前蓄电池小时分辨率充放电优化（即第一层优化控制）中，光伏发电日前预测具体为基于易获取的气象参数的相似日替代法。传统的光伏发电日前预测模型大多是将太阳辐射逐时分布、温度逐时分布等参数作为输入变量进行训练和验证。但是，在实际工程中获取未来一天的太阳辐射分布和温度分布本身就非常困难，故该方法很难应用。本申请的日前（第一层）优化是在小时分辨率上进行的，因此只需要对各小时的光伏发电平均值进行预测，相对于分钟级光伏分布的精确预测，其预测的难度和参数要求会简单得多。鉴于此，本申请提出了一种基于容易获取的气象参数的相似日替代的方法进行光伏发电的日前预测。所依据的气象参数主要有八个：天气类型、日平均太阳辐射强度、日平均散射辐射强度、日最低气温、日最高气温、日平均风速、日平均相对湿度以及日照时长。其中天气类型分为晴天、阴天、雨天、多云天、晴转多云、多云转晴、晴转阴、阴转晴、晴转小雨、小雨转晴、小雨转多云、多云转小雨。这些参数值都可以通过日常天气预报查询得到，相对于太阳辐射逐时分布和温度逐时分布，其获取难度容易得多，准确性也高很多，具有很好的可实施性。相似日的选取通过皮尔逊相关系数（PCC）确定，其表达式如公式（1）所示，PCC的绝对值越接近1，就说明两个变量的相关性越强，绝对值越接近0，则相关性越弱。
（1）
式中：X i 为对比变量，Y i 为参考变量，N为样本点数，PCC X,Y 为X和Y之间的皮尔逊相关系数。
具体的实施过程是：首先，选取预测日前半个月和上一年同一天及其前后一个星期的所有天数作为相似日选取对象；然后，通过天气预报获取预测日的特征参数信息（即前述八个气象参数），并将其与所有相似日待选对象的实际特征参数进行对比，求解其皮尔逊相关系数（PCC）；最后，选取PCC绝对值最大的那一天作为相似日，用相似日的光伏发电功率的逐时分布（小时分辨率）代表预测日的光伏逐时分布（小时分辨率）。图3为某一家用屋顶光伏系统在某一光伏发电不稳定的一天的光伏功率在五分钟时间分辨率上的分布图；图4为某一家用屋顶光伏系统在某一光伏发电不稳定的一天的光伏功率在一小时时间分辨率上的分布图；图中线条分别表示真实的光伏功率分布和采用相似日替代法预测的光伏功率分布。光伏发电不稳定一般为多云天，从图中可看出，小时分辨率的预测结果比五分钟分辨率的预测结果准确得多。图中显示，五分钟分辨率预测结果的均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为0.425和0.316，而小时分辨率的预测结果的均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别只有0.09和0.08。由此可知，即使是天气条件很不稳定（光伏波动很大）的情况，采用本申请所提出的相似日替代法对光伏功率在小时分辨率上的分布进行日前预测是完全可行的。
接下来进行建筑用电负荷的日前预测，具体可采用相似日替代与理论模型计算。建筑用电负荷分为非柔性用电负荷与柔性用电负荷两种类型，对于非柔性用电负荷，由于其占负荷总量的比值相对较小，并且其每日的分布有一定的规律性，因此也采用相似日替代方法进行日前预测，具体实施过程是：对于工作日，则采用前一个工作日的非柔性用电负荷替代，对于非工作日（周末\假期），则采用前一个最近的周末（假日）的非柔性用电负荷替代。对于一户家庭而言，其柔性用电负荷的使用具有比较大的随机性，不同天的柔性设备使用情况的关联性并不大，如果采用常规的基于数据驱动的方法进行预测，则可能会造成很大的误差；因此，本申请提出了基于设备运行理论建模的方法进行各柔性用电负荷的预测。对于家用设备而言，可转移负荷（比如洗衣机、洗碗机、烘干机、吸尘器、电热水壶等）本身的运行功率曲线是固定的，能够改变的是其开机的时间，故其运行功率模型如式（2）所示。
（2）
式中，P r 为设备额定功率（kW），P i 为i时刻的功率。
而对于功率可调节的柔性设备，如空调和热水器，其理论模型如下所示：
定频空调是根据室内温度与设定温度的差值进行开启和关闭的控制，如式（3）和式（4）所示，当室内温度与设定温度的差值大于温差上限（）时，空调按照额定功率运行，当室内温度与设定温度的差值小于温差下限（/>）时，空调停止运行，当室内温度与设定温度的差值处于上下限之间时，空调则维持前一时刻相同的状态运行。
（3）
（4）
m i 为i时刻的空调开机状态（0或1），t set 为空调设定温度（℃），t in 为室内温度（℃）。
变频空调是根据室内温度与设定温度的差值调节压缩机的频率，如式（5）所示，当室内温度与设定温度的差值大于温差上限（）时，空调保持在最大频率（/>）运行，以尽快降低室内温度；当室内温度与设定温度的差值小于温差下限（/>）时，空调保持在最小频率（/>）运行，以避免室温过低；当室内温度与设定温度的差值处在上下限之间时，空调频率则是在基准频率（/>）的基础上，随着该差值线性变化，以维持室内温度在一个稳定的状态。
（5）
a为频率调节系数，对于任一变频空调其值为常数。
一般而言，变频空调的功率（P）以及性能系数（EER）与频率（f）分别呈一次和二次函数的关系，如式（6）和式（7）所示。
（6）
（7）
式中，A 1 、A 2 、B 1 、B 2 、C均为拟合系数，可根据各设备运行参数拟合得到。
对于空调房间的温度，其不仅受空调运行的影响，其还受到室外环境温度的影响，可以通过一阶的等效热参数模型（即RC模型）进行拟合，如式（8）和式（9）所示。
（8）
（9）
式中，t i 、t i+1 为i和i+1时刻的室温（℃）；t a,i 为i时刻的室外温度（℃）； R为房间热阻（℃/kW）；C为房间热容（kWh/℃）；EER i 为i时刻的性能系数；P i 为i时刻的功率（kW）；m i 为i时刻的空调开机状态（0或1）；ω i 为i时刻内扰引起的温度变化。
对于热水器，其理论模型可根据能量守恒建立，如式（10）和式（11）所示。
（10）
（11）
式中：T(t) 为水箱内水的温度（℃）；T a 为水箱周围环境温度（℃）；T in \T out 为进\出水温度（℃）；c为水的比热容（kJ/kg·℃）；Q为用水流量（m3/s）；P为加热功率（kW）；A为水箱外表面积（m2）；K为水箱散热系数（kW/m2）；V为水箱容积（m3），r为水的密度（kg/m3）。
以最为复杂的空调为例，图5为某一家用空调各小时的能耗预测值与真实值对比图；图5展示了某一家用空调运行过程中各小时（小时分辨率）的实际功耗与采用理论模型计算预测的功耗的对比结果，从该图可看出，各小时的预测功耗与真实的功耗差异很小（最大误差仅为4%），因此，基于理论模型对柔性用电负荷进行小时分辨率上的预测是完全可靠的。
下面说明第一层（日前）优化控制的实施过程，第一层（日前）优化控制的变量是蓄电池的充放电功率，优化目标可以根据实际需求而确定，比如运行费用最低、光伏消纳率最大、电网功率波动最小、碳排放最少等，优化计算的时间分辨率是1小时，优化计算的时域是24小时（即一天）。图6为本申请实施例提供的一种第一层蓄电池充放电优化流程图；具体的实施流程如图6所示，首先，根据前述的相似日替代法实现光伏发电与非柔性用电负荷的日前预测（小时分辨率），同时根据理论模型进行柔性用电负荷的日前预测（小时分辨率）。然后，依据所预测的光伏与负荷日前预测的结果，对蓄电池充放电功率进行优化计算，优化过程中先建立相应的目标函数以及约束条件（如能量平衡约束、最大\最小充放电功率约束、最大\最小荷电状态约束、最大上网功率约束等），然后采用优化算法进行蓄电池充放电的优化计算。最后，将优化计算之后的蓄电池充放电功率序列（小时分辨率）和电网功率序列（小时分辨率）输出，蓄电池充放电功率序列即为第二天蓄电池的运行策略，电网功率序列则作为第二层优化的输入条件，输送到下一层优化的计算入口。需注意的是，第一层优化所涉及的优化目标并不局限于某一具体目标，而是可以根据实际需求而定的，比如运行费用最低、光伏消纳最大、电网功率波动最小、碳排放最少等；所采用的优化算法也不是局限于某一具体算法，任意合适的优化算法（如遗传算法、粒子群算法、动态规划算法等）都是可以的。
其次，对日内柔性用电负荷进行五分钟分辨率的分级滚动优化（第二层优化控制）。首先说明优化目标，第二层（日内）柔性用电负荷滚动优化的优化对象是各柔性设备的运行功率，其优化计算的时间步长（时间分辨率）是5分钟，优化计算时域长度是1小时。本层优化的目的是追踪日前优化后的电网功率曲线，即尽可能使得分钟级分辨率的电网功率分布（实际分布）与日前优化后小时分辨率上的电网功率分布（理想分布）保持一致，从而尽可能减小由于大时间分辨率（1小时）预测误差引起的不利影响。优化目标函数如式（12）所示。
（12）
式中：带上标t的参数表示各个调度时段该参数对应的值，日内优化的时域长度是1h，时间步长（分辨率）是5min，所以总共有12个时间步长（即12个调度时段）。是优化目标函数的符号，表示日前(第一层)优化后的电网功率与日内（第二层）日优化后的电网功率差值的平方和，这个值越小就说明日内优化后追踪日前优化电网功率的效果越好。P pv 为光伏功率（五分钟时间尺度）（kW）；P b,S1 为日前（第一层）优化后的蓄电池功率（kW）；P g,S1 为日前（第一层）优化后的电网功率（kW）；P de 为优化后的总耗电功率，非柔性用电负荷与优化后的柔性用电负荷之和，如式（13）所示：
（13）
式中：P non-flexible ——非柔性用电负荷总功率（kW）；P WH 为热水器优化功率（kW）；P AC 为空调优化功率（kW）；P transfer 为可转移设备优化功率（kW）；n, m为空调与可转移设备数量。
然后进行光伏与负荷的超短期预测（预测时域为1小时）。如前所述，第二层的优化计算的优化时域是1小时，时间分辨率（时间步长）为5分钟，属于超短期预测。在气象学和大气环境学领域，广泛采用卫星云图、天空图像、云演变算法以及深度学习（如卷积神经网络等）相结合的方式，对超短期（1小时以内）的气象参数（如太阳辐射、温度、风俗等）进行预测，具有很高的准确性（相对偏差在5%以内），因此，超短期天气预报的准确性是可靠的。本申请基于超短期天气预报的气象参数（太阳辐射、温度、风速），采用长短期记忆神经网络（LSTM）方法对光伏发电进行超短期预测，其基本思路是首先利用历史气象参数（包括太阳辐射、温度、风速）和历史光伏发电功率，建立光伏发电预测的长短期记忆神经网络（LSTM）模型，然后将超短期天气预报的气象参数（太阳辐射、温度、风速）作为输入参数导入到预测模型中，从而实现光伏发电的超短期预测。对于负荷预测，则根据各设备的历史运行数据（开机状态、单次运行时间、运行模式、运行功率）建立机器学习模型（比如人工神经网络模型），然后根据设备当前的运行状态（开机状态、运行时间、运行模式），利用所建立的机器学习模型预测设备在短期内（1小时）的运行功率。
然后是优化控制方法，本层优化控制在执行过程中并不是对所有柔性设备同时进行优化，而是对各个设备按照优先级顺序依次进行优化调控。只有在优先级高的设备优化调控后还未达到整体功率优化的目标时，优先级低的设备才会加入到优化调控中。图7为本申请实施例提供的一种第二层（日内）柔性用电负荷分级优化流程图；如图7所示，该优化流程包括如下步骤：
S20：输入第一层(日前)优化的电网\蓄电池功率优化目标。（具体为：
。
S21：热水器功率优化（调整档位或频率）。
S22：判断是否达到优化目标，若是，则进入步骤S26，若否，则进入步骤S23。
S23：空调功率优化（调整频率或设定温度）。
S24：再次判断是否达到优化目标；若是，则进入步骤S26，若否，则进入步骤S25。
S25：可转移设备功率优化（调整开机时间）。
S26：输出柔性设备运行功率（档位、频率、设定温度、开机时间等调整）。
在本申请实施例中，根据设备功率调节对用户用能舒适性影响程度的大小将各柔性设备的调度优先级按照热水器—空调—可转移负荷设备这样的顺序进行划分，这样划分的理由见前述示例，此处不再赘述；也就是在进行优化控制时，优先调节热水器功率（档位或频率），若未达到优化目标，再调节空调功率（频率或设定温度），若还是未达到优化目标，最后再调整可转移设备的开机时间；若中间某一级的设备调控已经达到优化目标（或者非常接近），则不再对下一级设备进行调节。
为了尽可能小地影响用户的用能舒适性，各类柔性设备的调节范围必须满足相应的约束条件，如表1所示。需注意的是，表1中的值是本申请提供的参考值，实际应用时柔性调节的范围并不局限于表1中的设定值，可以根据实际需求灵活确定（由用户设定）。表1 各类柔性设备的调控范围
对于柔性设备的运行优化采用模型预测控制的方法，该方法具有滚动优化与反馈校正的特点，能够最大程度削弱预测误差的影响。图8为本申请实施例提供的一种基于模型预测控制的柔性用电负荷优化控制流程图；其详细的实施步骤如下所述：
S30：获取历史气象参数、光伏功率、设备运行参数。
S31：建立光伏与负荷超短期预测模型。
S32：设定当前时刻t，获取设备状态、预测时域内超短期天气预报参数（辐射、温度、风速）。
S33：预测时域（1h）光伏发电与建筑负荷预测（时间分辨率/步长：τ=5min）。
S34：以设备功率为优化变量，在预测时域内进行分级优化计算，得到优化后功率序列{P m,i }（m为柔性设备种类，i为时间步长序号）。
S35：执行序列中的第一个功率值（P m,1 ）。
S36：采集并存储第一个时间步长内（t至t+τ）真实的气象、光伏、负荷数据，以及设备状态。
S37：判断是否执行到最后一个时段；若是，则结束，若否，则进入步骤S38。
S38：向前滚动：t=t+τ。
S39：更新设备状态以及超短期天气预报数据。
如图8所示的优化控制流程图，（1）根据历史气象参数（太阳辐射、温度、风速等）、光伏发电功率、设备运行参数，采用机器学习方法建立光伏与负荷超短期（1h）预测模型。
（2）假设当前时刻为t，根据当前的设备状态以及超短期天气预报的参数（太阳辐射、温度、风速等），预测未来1小时（预测时域）的光伏与负荷分布，时间分辨率（时间步长）为5分钟（τ =5min）。
（3）基于预测的光伏与负荷分布结果，以各时间步长内的柔性设备功率为控制变量，在预测时域内进行优化计算，得到柔性设备功率序列{P m,i }，m代表柔性设备类别编号，i为时间步长序号，最大值为L2（1小时有L2个时间步长）。
（4）执行优化后的功率序列中的第一个功率决策（P m,1 ）；
（5）在执行决策的同时采集并存储执行时域（t ~ t+τ）内真实的气象、光伏、负荷数据以及各设备运行状态；
（6）判断是否执行到了最后一个调度时段（即：需要停止调度的时刻），如果是的话，则退出程序，调度停止；如果否的话，则向前滚动一个时段，即：将t+τ设置成当前时刻（t =t+τ），利用前述执行决策期间实测的数据更新历史数据以及设备状态，同时获取更新的超短期天气预报参数（太阳辐射、温度、风速等）；
（7）基于更新后的参数信息，重复前述（2）~（6）步骤，从而实现对柔性设备的滚动预测优化。此外，每运行较长一段时间（比如一个月或更长）的时候，可以根据新的历史数据对第（1）步中建立的光伏与负荷的超短期预测模型进行不断改进。
对于每一次的优化控制，本申请实施例所提出的调度方法都可按照前述详细步骤执行，下面以一个案例说明本申请的实施过程以及部分结果，需注意的是下述案例只是用于帮助理解本申请，对于本技术领域的相关人员来说，在不脱离本申请原理的前提下，可以对本申请进行改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
本申请实施例所提供的一种家庭光-蓄-柔双层多时间尺度控制方法，先预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果，并根据第一预测结果控制蓄电池在第一目标时间长度内的充放电功率，即得到蓄电池的控制方案并对其充放电功率进行控制。然后预测第二目标时间长度内发电设备的发电量和用电负荷的负荷值得到第二预测结果，并根据第二预测结果调整柔性用电负荷的用电功率以适应蓄电池的充放电功率的控制方案，即第一预测结果出现偏差时，通过调整柔性用电负荷的用电功率来适应蓄电池的充放电。一般将预测出第一预测结果以及对蓄电池的控制称为第一层优化；预测出第二预测结果以及调整柔性用电负荷称为第二层优化。其中，即第二目标时间长度小于第一目标时间长度，短时间域的预测更加容易，可以实现更高精度的预测。此外，对柔性用电负荷的调整的时间间隔小于对蓄电池的控制的时间间隔，即对柔性用电负荷的调整更加频繁，第二层的优化能够去适应第一层的优化。本方案降低了第一目标时间长度内这种长时间域内的预测精度要求，通过第二目标时间长度的短长时间域内的预测结果调整柔性设备，以适配发电设备和用电负荷的波动，由于本方案降低了对预测精度的高依赖性，能够实现光-蓄-柔的动态协同控制，并且显著缩短计算时间，具有很高的可实施性。
这里对本申请提到的部分名词进行解析，分布式光伏系统是安装在用户附近（比如建筑屋顶），为用户供能的光伏发电系统。柔性用电负荷是能够根据需求对运行功率或者运行时间进行灵活调节与改变的末端负荷，家庭中的柔性用电负荷包括可调节的温控负荷（如热水器、空调等）和使用时间可变的可转移负荷（如洗衣机、烘干机、洗碗机、吸尘器、电热水壶等）。非柔性用电负荷是运行功率与时间都不能调控的负荷类型，即没有柔性潜力（如电视机、抽油烟机等）。优化调度是指对系统进行调控，使其按照调控者的要求运行，从而达到一定的运行优化目标，本申请提到的光伏-储能-柔性系统优化调度指的是对蓄电池的充放电功率的优化控制和对柔性设备的功率或开机时间的优化调控。时间域是预测和优化的时间范围（时间长度），例如，日前（第一层）预测与优化的时间域是24 h，日内（第二层）预测与优化的时间域是1 h。时间分辨率是优化调度的时间步长，例如，日前（第一层）优化的时间分辨率是1 h，日内（第二层）优化控制的时间分辨率是5 min。
根据上述实施例所提出的调度方法，本申请实施例进一步提供一种对应的家庭光-蓄-柔的双层多时间尺度能源管理平台与装置。图9为本申请实施例提供的一种家庭光-蓄-柔双层多时间尺度能源管理平台与装置的结构示意图；如图9所示。平台主要由光伏系统（包括光伏板、逆变器、最大功率点追踪控制太阳能控制器（MaximumPower PointTracking，MPPT）及相关配件）、蓄电池系统（蓄电池、充放电控制器及相关配件）、电网、双向智能电表、家用电器设备（包括柔性设备与非柔性设备）、智能AI装置构成。平台中最为核心的设备是智能AI装置，其是整个能源管理系统的大脑，主要由四个模块组成：数据采集模块、源(光伏)\荷(负荷)预测模块、优化计算模块、通信模块。
下面将详细介绍各个模块的功能：
数据采集模块用于收集和存储各种数据，包括功率（如设备功率、光伏功率、蓄电池充放电功率、电网功率等）、温度（如水温、室温等）、气象参数/天气预报参数（如太阳辐射强度、气温、风速等）；数据采集模块还具有数据筛选功能，能够对数据进行判断并剔除异常数据。需注意的是，如果有电价信息源，该模块也会实时采集并更新电价信息，用于后续的优化计算。
源\荷预测模块主要用于光伏发电与建筑负荷的预测，其内部包含数据预处理模型以及光伏和负荷预测模型；其中光伏预测模型包括所提出的基于相似日替代法的日前小时尺度预测模型和基于长短期记忆神经网络的日内超短期五分钟尺度预测模型；负荷预测模型包括所提出的基于相似日替代与理论模型计算的日前小时尺度预测模型和基于机器学习（如人工神经网络）的日内超短期五分钟尺度预测模型；所有模型通过编制相应程序导入并存储在模块中。
优化计算模块主要功能是根据用户选定的优化目标进行相应的优化计算，将计算结果输出并通过通信模块将控制命令发送至蓄电池和各柔性设备的控制器或执行器；其主要包括各种基于不同优化目标的优化模型以及相应的优化算法，所有的模型和算法均通过编程写入模块中。实际应用时，用户可以根据自己的需求选择相应的优化模型（比如运行费用最低模型、光伏消纳率最大模型、电网功率波动最小模型、碳排放最小模型等）。本模块包括两层优化计算模型，第一层是日前蓄电池充放电优化模型，第二层是基于模型预测控制的日内柔性设备分级优化模型，第一层优化计算的结果（蓄电池充放电功率与电网功率的小时分辨率分布）将会作为的输入参数输送到第二层优化计算模型中，用于柔性设备的滚动优化计算。该模块同样具有多目标优化的功能，多目标优化采用加权和法进行计算，相应的计算模型与算法也通过编程存储在模块中；用户若有多目标优化的需求，则可以设置各优化目标的权重系数，该模块会根据用户设定的权重系数进行优化计算。
通信模块负责将优化计算得到的决策信号传送给蓄电池和各柔性设备的控制器或执行器，使蓄电池和柔性设备按照相应的控制命令运行；通信模块可适应实际所需的任何通讯协议。此外，通信模块可以通过无线网络与移动终端（比如手机）进行连接，使用户能够通过移动终端查看所采集的实时参数，如天气数据、设备启闭状态、运行功率、室温、水温等；同时，用户也可以通过移动终端选择所需的优化目标并把信号发送给智能AI装置，从而实现随时随地进行家庭能源管理的目的。
图10为本申请实施例提供的一种智能AI装置的基本结构示意图；如图10所示，其包括电源、存储器、处理器、输入\输出接口、通信接口、显示屏（触摸屏）、总线等。电源主要是为装置供电。存储器主要用于存储所采集的数据、数据处理程序、预测模型程序、优化算法程序、操作系统程序等，存储器的数量根据需要可以配置多个。处理器是对各个计算程序（数据处理程序、预测模型程序、优化算法程序等）进行加载和执行的部件，根据需要也可以配置多个。输入\输出接口主要用于与外界进行数据的输入和输出，其接口类型可以根据实际需要确定。通信接口实现AI装置与外界设备之间的无线通信，其可适应实际所需的任何通讯协议。显示屏（触摸屏）是用于显示各种信息（可视化），便于用户查看设备状态、运行参数、气象参数等，也可以通过触屏选择优化模式、修改设备柔性调控范围、运行时间以及多目标优化的权重系数等。总线是将各个部件连接在一起，实现各部件之间信息传送的公共干线。
本申请实施例详细说明优化目标及约束条件。本案例中光伏与负荷数据来自一户家庭夏季某一天的实测数据，光伏安装容量为5 kW，蓄电池额定容量为10kWh。参与调控的柔性设备是电热水器（可分四档调节：800W、1200W、2000W、3000W）与三台变频空调（一台客厅空调和两台卧室空调），电热水器在全天都可以参与调节，空调只有在运行时段才能参与调控，当天各空调的运行时段如表2所示。
表2 空调运行时段统计
本案例第一层（日前）优化的目标是运行费用最低，其优化目标函数如式（14）所示。
（14）
其中C total 表示总运行费用，，/>，/>分别表示蓄电池运行费用（损耗引起）、从电网购电的费用、光伏电量上网的收益。
约束条件如下所示：
能量平衡：
；
P b 为蓄电池充\放电功率（kW），P g 为电网功率（kW）。
充放电功率约束（放电为正）：
；
荷电状态约束：
；
（放电为正）。
SOC为蓄电池的荷电状态，表示蓄电池剩余容量与其总容量的比值，SOC t 为对应时段的荷电状态，分别设定最小值SOC min 和最大值SOC max ，为每一调度时段的时长（h），E b 为蓄电池的总容量（kWh）。/>
第二层（日内）优化的目标则是追踪日前优化的电网功率，其目标函数如前述式（12）和式（13）所示，此处不再赘述。
本实施例进行主要结果的分析，图11为日前（第一层）蓄电池充放电优化结果示意图；图12为日前（第一层）蓄电池充放电另一优化结果示意图；如图11和图12所示，由于是小时分辨率上的优化，各参数在各个小时保持不变，即24个优化值。这样的方式能够有效避免蓄电池在短时间内（分钟级）多次进行充放电而引起较大的损耗。由于是以经济性为优化目标，图11显示蓄电池基本是在高峰电价时段放电，在光伏电量富余时段充电。
图13a为各阶段优化的电网功率曲线的一种变化示意图；图13b为各阶段优化的电网功率曲线的另一种变化示意图；如图13a和图13b所示，图中各类型的线分别表示日前（第一层）优化的理想功率曲线，日前（第一层）优化后的实际功率曲线，第二层优化中电热水器功率优化后的功率曲线，以及电热水器优化后再加入空调功率优化后的功率曲线。从图中可清晰看到，通过第二层的柔性负荷调控可以很好地追踪日前优化的理想功率曲线，并且柔性设备越多（柔性越大），追踪的效果越好。
图14为各阶段优化后运行费用示意图；如图14所示。图中第一种情形是日前蓄电池充放电优化（第一层优化）的理想运行费用（小时分辨率），第二种情形是日前蓄电池充放电优化（第一层优化）的实际运行费用（五分钟分辨率），第三种情形和第四种情形分别是日内（第二层优化）电热水器和空调功率依次优化后的运行费用。对比第一和第二种情形的结果可知，由于分钟级的负荷与光伏分布与小时级分布的差异显著，所以日前小时分辨率的优化结果在实际情况下的效果并不好。当加入柔性负荷的优化调控后，即进入第二层优化后，其运行费用显著减小，并且随着柔性设备增加，运行费用减小的幅度越大。由图可知，相对于日前优化实际结果（情形二），电热水器功率优化后（情形三）运行费用与理想结果（情形一）的差异减少了57.9%，再加入空调功率优化后（情形四），运行费用与理想结果的差异则减少了90.1%（非常接近理想结果）。由此可知，所提出的基于蓄电池与柔性负荷相结合的双层多时间尺度的优化调度方法能够获得很好的能源优化管理效果。
图15为优化前后水箱水温的变化示意图；图16为优化前后客厅温度的变化示意图；图17为优化前后卧室1温度的变化示意图；图18为优化前后卧室2温度的变化示意图；如图15至18所示，优化调度前后热水器水箱内水温、客厅温度、卧室温度产生了变化，从该图可明显看出，柔性调控之后，水箱水温与室内（客厅\卧室）温度都有一定的改变，但是都处在预设的柔性调控的范围内（表1所示）。水箱温度维持在50-75℃之间，室内温度在空调运行时段维持在28℃以下，都处在用能舒适范围之内。因此，本申请提出的第二层柔性设备分级滚动优化方法在实现日前优化理想功率追踪的同时又能保证用能舒适性。此外，由于本申请所提出的方法将优化过程进行了多阶段和多时间尺度的分解，使得计算时间显著缩短；经过统计，运算过程中每一次优化计算的时长最大为190秒，最小不到2秒，都远小于滚动时间步长5分钟，因此具有很好的应用潜力。
另外，上述实施例中提到的第二层柔性设备的滚动优化方案具体如下，预测第二目标时间长度内的第二预测结果以及根据第二预测结果调整柔性用电负荷的用电功率包括：以当前时间为起点预测第二目标时间长度内的第二预测结果；根据第二预测结果调整柔性用电负荷在第三目标时间长度内的用电功率；其中，第三目标时间长度小于第二目标时间长度；在第三目标时间长度结束后，返回以当前时间为起点预测第二目标时间长度内的第二预测结果的步骤，如此向前滚动，实现柔性负荷的动态优化控制。这里以第二目标时间长度为1小时，第三目标时间长度为5分钟为例，以当前时间为起点的1小时内，预测得到第二预测结果，并控制柔性用电负荷在5分钟内的用电功率，并以上一个5分钟结束时为起点重新预测之后1小时内的第二预测结果，然后控制柔性用电负荷在下一个5分钟内的用电功率，从而实现滚动优化。
如上述实施例所述的，本申请开发了一套高效合理、切实可行的家庭光-储-柔双层多时间尺度智能优化管理方法以及相应的平台和装置，为智能家居的实现提供方法支撑和实现平台，并提出了一些具体的实现方案。例如，提出了可基于气象参数进行相似日替代法以预测第一目标时间长度内发电设备的发电量和非柔性用电负荷的负荷值；并采用理论模型计算柔性用电负荷的负荷值。还提出了可设定柔性用电负荷预先设置有对应的优先级，然后根据柔性用电负荷的优先级的高低顺序对各柔性用电负荷的用电功率进行调整以适应蓄电池的充放电功率的控制方案。在实际应用时，第二预测结果的预测精度一般高于第一预测结果的预测精度。下面对上述实施例各方案的优点进行总结：
首先，本申请提出了日前蓄电池小时分辨率充放电优化与日内超短期五分钟分辨率柔性设备分级滚动优化相结合的家庭光-储-柔双层多时间尺度能源管理方法。该方法有多个优点：1）日前（第一层）优化的时间尺度是1小时，因此大大降低了光伏与负荷日前预测的难度（可以采用简单的相似日替代法实现）；2）日内（第二层）分钟级滚动优化的对象是柔性负荷，避免了利用蓄电池或者电网实时配合光伏与负荷波动而增加蓄电池损耗或电网不稳定性的问题；3）分层以及多时间尺度相结合的处理方式使得整个优化计算的时间大大缩短，具有很强的可实施性。
其次，本申请提出了基于易获取的八个气象参数（天气类型、日平均太阳辐射强度、日平均散射辐射强度、日最低气温、日最高气温、日平均风速、日平均相对湿度以及日照时长）的相似日替代法进行光伏发电设备的日前小时分辨率的预测。相对于传统的需要未来太阳辐射分布与温度分布作为输入参数的机器学习预测方法，所提方法所需要的输入参数的获取难度容易得多（日常天气预报就可以读取），其计算过程也简单得多，具有很高的可实施性。
第三，本申请提出了基于理论建模的柔性负荷日前预测方法。对于一个家庭而言，由于其设备数量有限，负荷总量并不大，而且各个柔性设备在每天的使用都具有很大的随机性，也就是不同天的使用并不具有很大的关联性，且每一个柔性设备具有各自不同的负荷特性，因此，如果采用传统的数据（历史数据）驱动的方法进行柔性负荷的日前预测则很可能造成很大误差。本申请提出了针对不同柔性设备建立其各自的运行理论模型并依此分别进行预测的方法，充分考虑了不同柔性设备的负荷特点，有效克服了上述问题。
第四，本申请针对第二层柔性设备优化，提出了基于模型预测控制的分级优化的方法，一方面，模型预测控制能够有效削弱光伏与负荷预测误差的影响，另一方面，柔性设备优化是根据设备调控对用户用能舒适性的影响程度依次分级进行的，以尽可能减小对用户的影响，更具人性化的特点（“以人为本”）。
最后，本申请基于所提出的家庭光-储-柔双层多时间尺度能源调度方法，构建了家庭能源智能化管理平台，并提出了一种可实现所提方法的家用智能AI装置。该AI装置是集数据采集、存储与处理、算法执行、命令发布、通信互联、信息显示、人机交互为一体的高度智能化的设备，是家庭能源智能管理平台的核心部件。
在上述实施例中，对于家庭光-蓄-柔双层多时间尺度控制方法进行了详细描述，本申请还提供家庭光-蓄-柔双层多时间尺度控制装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
基于功能模块的角度，本实施例提供一种家庭光-蓄-柔双层多时间尺度控制装置，图19为本申请实施例提供的家庭光-蓄-柔双层多时间尺度控制装置的结构图，如图19所示，该装置包括：
第一预测模块10，用于预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果；
控制模块11，用于根据第一预测结果控制蓄电池在第一目标时间长度内的充放电功率；
第二预测模块12，用于预测第二目标时间长度内发电设备的发电量和用电负荷的负荷值得到第二预测结果；
调整模块13，用于根据第二预测结果调整柔性用电负荷的用电功率以适应蓄电池的充放电功率的控制方案；其中，第二目标时间长度小于第一目标时间长度，对柔性用电负荷的调整的时间间隔小于对蓄电池的控制的时间间隔。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本实施例提供的家庭光-蓄-柔双层多时间尺度控制装置，与上述方法对应，故具有与上述方法相同的有益效果。
基于硬件的角度，本实施例提供了另一种家庭光-蓄-柔双层多时间尺度控制装置，图20为本申请另一实施例提供的家庭光-蓄-柔双层多时间尺度控制装置的结构图，如图20所示，家庭光-蓄-柔双层多时间尺度控制装置包括：存储器20，用于存储计算机程序；
处理器21，用于执行计算机程序时实现如上述实施例中所提到的家庭光-蓄-柔双层多时间尺度控制方法的步骤。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器（Digital Signal Processor，DSP）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器（CentralProcessing Unit，CPU）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器（Graphics Processing Unit，GPU），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能（Artificial Intelligence，AI）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的家庭光-蓄-柔双层多时间尺度控制方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于家庭光-蓄-柔双层多时间尺度控制方法涉及到的数据等。
在一些实施例中，家庭光-蓄-柔双层多时间尺度控制装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图中示出的结构并不构成对家庭光-蓄-柔双层多时间尺度控制装置的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的家庭光-蓄-柔双层多时间尺度控制装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：家庭光-蓄-柔双层多时间尺度控制方法。
本实施例提供的家庭光-蓄-柔双层多时间尺度控制装置，与上述方法对应，故具有与上述方法相同的有益效果。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例描述的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的计算机可读存储介质，与上述方法对应，故具有与上述方法相同的有益效果。
以上对本申请所提供的一种家庭光-蓄-柔双层多时间尺度控制方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种家庭光-蓄-柔双层多时间尺度控制方法，其特征在于，包括：
预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果；
根据所述第一预测结果控制蓄电池在所述第一目标时间长度内的充放电功率；
预测第二目标时间长度内所述发电设备的发电量和所述用电负荷的负荷值得到第二预测结果；
根据所述第二预测结果调整柔性用电负荷的用电功率以适应所述蓄电池的充放电功率的控制方案；其中，所述第二目标时间长度小于所述第一目标时间长度，对所述柔性用电负荷的调整的时间间隔小于对所述蓄电池的控制的时间间隔。
2.根据权利要求1所述的家庭光-蓄-柔双层多时间尺度控制方法，其特征在于，所述根据所述第一预测结果控制蓄电池在所述第一目标时间长度内的充放电功率包括：
根据所述第一预测结果以及所述蓄电池的优化目标控制所述蓄电池在所述第一目标时间长度内的充放电功率；其中，所述优化目标至少包括以下之一：运行费用、电网功率波动、光伏消纳率。
3.根据权利要求2所述的家庭光-蓄-柔双层多时间尺度控制方法，其特征在于，所述预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值包括：
基于气象参数进行相似日替代法以预测所述第一目标时间长度内所述发电设备的发电量和非柔性用电负荷的负荷值；并采用理论模型计算所述柔性用电负荷的负荷值；其中，相似日的选取通过皮尔逊相关系数确定。
4.根据权利要求3所述的家庭光-蓄-柔双层多时间尺度控制方法，其特征在于，所述气象参数至少包括以下之一：天气类型、日平均太阳辐射强度、日平均散射辐射强度、日最低气温、日最高气温、日平均风速、日平均相对湿度以及日照时长。
5.根据权利要求1所述的家庭光-蓄-柔双层多时间尺度控制方法，其特征在于，预测所述第二目标时间长度内的所述第二预测结果以及根据所述第二预测结果调整所述柔性用电负荷的用电功率包括：
以当前时间为起点预测所述第二目标时间长度内的所述第二预测结果；
根据所述第二预测结果调整所述柔性用电负荷在第三目标时间长度内的用电功率；其中，所述第三目标时间长度小于所述第二目标时间长度；
在所述第三目标时间长度结束后，返回所述以当前时间为起点预测所述第二目标时间长度内的所述第二预测结果的步骤。
6.根据权利要求1至5任意一项所述的家庭光-蓄-柔双层多时间尺度控制方法，其特征在于，所述柔性用电负荷预先设置有对应的优先级；
所述调整柔性用电负荷的用电功率以适应所述蓄电池的充放电功率的控制方案包括：
根据所述柔性用电负荷的优先级的高低顺序对各所述柔性用电负荷的用电功率进行调整以适应所述蓄电池的充放电功率的控制方案。
7.根据权利要求1所述的家庭光-蓄-柔双层多时间尺度控制方法，其特征在于，所述发电设备具体为光伏发电设备，所述用电负荷具体为家庭用电负荷。
8.一种家庭光-蓄-柔双层多时间尺度控制装置，其特征在于，包括：
第一预测模块，用于预测第一目标时间长度内发电设备的发电量和用电负荷的负荷值得到第一预测结果；
控制模块，用于根据所述第一预测结果控制蓄电池在所述第一目标时间长度内的充放电功率；
第二预测模块，用于预测第二目标时间长度内所述发电设备的发电量和所述用电负荷的负荷值得到第二预测结果；
调整模块，用于根据所述第二预测结果调整柔性用电负荷的用电功率以适应所述蓄电池的充放电功率的控制方案；其中，所述第二目标时间长度小于所述第一目标时间长度，对所述柔性用电负荷的调整的时间间隔小于对所述蓄电池的控制的时间间隔。
9.一种家庭光-蓄-柔双层多时间尺度控制装置，其特征在于，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的家庭光-蓄-柔双层多时间尺度控制方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的家庭光-蓄-柔双层多时间尺度控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753452.6A CN116488223A (zh) | 2023-06-26 | 2023-06-26 | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753452.6A CN116488223A (zh) | 2023-06-26 | 2023-06-26 | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116488223A true CN116488223A (zh) | 2023-07-25 |
Family
ID=87212355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310753452.6A Pending CN116488223A (zh) | 2023-06-26 | 2023-06-26 | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116488223A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332901A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 采用分层时间聚合策略的新能源小时间尺度功率预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
| CN107528345A (zh) * | 2017-09-30 | 2017-12-29 | 国电南瑞科技股份有限公司 | 一种多时间尺度的网源荷储协调控制方法 |
| CN111969593A (zh) * | 2020-07-24 | 2020-11-20 | 南昌大学 | 基于混合储能的热电联供微网模型预测控制优化调度方法 |
| CN112736918A (zh) * | 2020-12-29 | 2021-04-30 | 广东电网有限责任公司电力调度控制中心 | 微电网中源储荷协调的两级优化调度方法、装置及设备 |
| CN112865174A (zh) * | 2021-01-07 | 2021-05-28 | 福州大学 | 基于双层模型预测控制的微能网多时间尺度优化控制方法 |
| CN113688567A (zh) * | 2021-08-10 | 2021-11-23 | 华北电力大学（保定） | 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法 |
| CN114418249A (zh) * | 2022-04-01 | 2022-04-29 | 湖南大学 | 一种光储柔系统运行控制方法及装置 |
| CN115663833A (zh) * | 2022-11-04 | 2023-01-31 | 电力规划总院有限公司 | 应用于源网荷储一体化的源荷资源调控方法和装置 |
| CN116151436A (zh) * | 2023-01-09 | 2023-05-23 | 广州汇锦能效科技有限公司 | 一种面向家庭用户的光伏建筑能源规划方法及系统 |
-
2023
- 2023-06-26 CN CN202310753452.6A patent/CN116488223A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
| CN107528345A (zh) * | 2017-09-30 | 2017-12-29 | 国电南瑞科技股份有限公司 | 一种多时间尺度的网源荷储协调控制方法 |
| CN111969593A (zh) * | 2020-07-24 | 2020-11-20 | 南昌大学 | 基于混合储能的热电联供微网模型预测控制优化调度方法 |
| CN112736918A (zh) * | 2020-12-29 | 2021-04-30 | 广东电网有限责任公司电力调度控制中心 | 微电网中源储荷协调的两级优化调度方法、装置及设备 |
| CN112865174A (zh) * | 2021-01-07 | 2021-05-28 | 福州大学 | 基于双层模型预测控制的微能网多时间尺度优化控制方法 |
| CN113688567A (zh) * | 2021-08-10 | 2021-11-23 | 华北电力大学（保定） | 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法 |
| CN114418249A (zh) * | 2022-04-01 | 2022-04-29 | 湖南大学 | 一种光储柔系统运行控制方法及装置 |
| CN115663833A (zh) * | 2022-11-04 | 2023-01-31 | 电力规划总院有限公司 | 应用于源网荷储一体化的源荷资源调控方法和装置 |
| CN116151436A (zh) * | 2023-01-09 | 2023-05-23 | 广州汇锦能效科技有限公司 | 一种面向家庭用户的光伏建筑能源规划方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 曹榆: "孤岛型微电网系统能量优化调度", 《工程科技Ⅱ辑》, pages 3 * |
| 杨锡勇等: "考虑需求响应的源−荷−储多时间尺度 协同优化调度策略", 《发电技术》, vol. 44, no. 2, pages 1 * |
| 谭克艰等: "《大厦综合管理自动化》", 重庆大学出版社, pages: 100 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332901A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 采用分层时间聚合策略的新能源小时间尺度功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| CN106487011B (zh) | 一种基于q学习的户用微电网能量优化方法 | |
| CN105375479B (zh) | 一种基于模型预测控制的分布式能源能量管理方法 | |
| Bashir et al. | A novel energy scheduling framework for reliable and economic operation of islanded and grid-connected microgrids | |
| EP3696765A1 (en) | Method for improving the performance of the energy management in a nearly zero energy building and system therefor | |
| CN108321796B (zh) | 家庭能量管理系统与方法 | |
| CN110929931B (zh) | 考虑分布式电源和负荷时序特性的配电网协调规划方法 | |
| CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
| CN111339689B (zh) | 建筑综合能源调度方法、系统、存储介质及计算机设备 | |
| Song et al. | Multi-objective optimization strategy for home energy management system including PV and battery energy storage | |
| Mbuwir et al. | Distributed optimization for scheduling energy flows in community microgrids | |
| CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
| CN112508325B (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
| CN107231001B (zh) | 一种基于改进灰色预测的楼宇微网在线能量管理方法 | |
| CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
| CN114841409A (zh) | 联合lstm和深度强化学习的家庭能源管理方法及介质 | |
| CN112085327B (zh) | 一种配电商参与的主动配电网多层分区调控方法及系统 | |
| CN113328432A (zh) | 一种家庭能量管理优化调度方法及系统 | |
| CN114977330A (zh) | 建筑分布式光伏-蓄电池系统连续运行调度方法及平台 | |
| CN111817296B (zh) | 一种微电网用电能调度方法及系统 | |
| CN113158450A (zh) | 一种基于楼宇能量管理系统经济调度方法及系统 | |
| CN116488223A (zh) | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 | |
| CN113131519A (zh) | 一种基于混合整数线性规划的家庭能量管理优化方法 | |
| Chatterjee et al. | Multi-objective energy management of a smart home in real time environment | |
| CN112001523A (zh) | 考虑多种储能的综合能源多尺度优化调度控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230725 |
|
| RJ01 | Rejection of invention patent application after publication |